今年 2 月 22 日，知名的 DarkNet 和 YOLO 系列作者 Joseph Redmon 宣布退出 CV 界面，这也就意味着 YOLOv3 不会再有官方更新了。但是，CV 领域进步的浪潮仍在滚滚向前，仍然有人在继续优化 YOLOv3。今日，著名的 AlexeyAB 版本发布了 YOLOv4 的论文。该论文提出了五大改进，二十多个技巧的实验。
目前，工业界常用的目标检测算法，SSD 是 2015年发表的，RetinaNet、 Mask R-CNN、Cascade R-CNN 是 2017 年发表的，YOLOv3 是 2018 年发表的。时光荏苒，过去的五年，深度学习也在不断更新，从激活函数上，到数据增强，到网络结构，都有大量的创新。而 YOLOv4 这项工作， 可以说是既往开来。
这篇文章试验对比了大量的近几年来最新的深度学习技巧，例如 Swish、Mish 激活函数，CutOut 和 CutMix 数据增强方法，DropPath 和 DropBlock 正则化方法，也提出了自己的创新，例如 Mosaic （马赛克） 和 自对抗训练数据增强方法，提出了修改版本的 SAM 和 PAN，跨 Batch 的批归一化（BN），共五大改进。所以说该文章工作非常扎实，也极具创新。
而且作者也在文中多次强调，这是一个平衡精度和速度的算法，大的模型，例如 Mask-RCNN 和 Cascade R-CNN 在比赛中可以霸榜，但速度太慢；小的模型速度快，但精度又不高。另外，当今的不少模型因为太大，需要很多GPU 进行并行训练，而 YOLOv4 可以在一块普通的GPU（1080Ti）上完成训练，同时能够达到实时性，从而能够在生产环境中部署。
项目 GitHub 地址